{{{sourceTextContent.title}}}

Un sistema de inteligencia artificial reduce los falsos positivos en la interpretación de las ecografías mamarias

{{{sourceTextContent.subTitle}}}

Dos importantes estudios realizados por radiólogos y científicos de datos del Centro de Salud Langone de la NYU, presentados en la RSNA 2021, se centraron en la capacidad de la IA para reducir los falsos positivos

{{{sourceTextContent.description}}}

Los hallazgos de un ensayo clínico que utilizó la inteligencia artificial (IA) en un esfuerzo por reducir los falsos positivos en la ecografía mamaria fueron presentados por Linda Moy, MD, Centro de Innovación e Investigación de Imágenes Avanzadas con el Centro de Innovación e Investigación de Imágenes Avanzadas (CAI2R) de NYU Langone Health, durante RSNA 2021. Moy, líder en IA radiológica, es también profesora de radiología en la Facultad de Medicina Grossman de la NYU y miembro del Centro Oncológico Perlmutter.

Dirigido por investigadores del Departamento de Radiología de NYU Langone Health y su Centro Oncológico Laura e Isaac Perlmutter, se cree que el análisis de IA del equipo es el mayor de su clase.

Además de Moy, que actuó como coinvestigador del estudio, éste fue realizado por el siguiente equipo: El investigador principal Krzysztof J. Geras, PhD, los coinvestigadores Yiqiu "Artie" Shen, Farah Shamout y Jamie Oliver y los coinvestigadores Jan Witowski, Kawshik Kannan, Jungkyu Park, Nan Wu, Connor Huddleston, Stacey Wolfson, Alexandra Millet, Robin Ehrenpreis, Divya Awal, Cathy Tyma, Naziya Samreen, Yiming Gao, Chloe Chhor, Stacey Gandhi, Cindy Lee, Sheila Kumari- Subaiya, Cindy Leonard, Reyhan Mohammed, Christopher Moczulski, Jaime Altabet, James Babb, Alana Lewin, Beatriu Reig y Laura Heacock.

El estudio, publicado en la revista Nature Communications (24 de septiembre de 2021), contó con el apoyo de la Fundación Nacional de la Ciencia (NSF) de Estados Unidos:

Los investigadores que trabajan en una iniciativa apoyada por la Fundación Nacional de Ciencias de Estados Unidos entrenaron a la IA para identificar el cáncer de mama utilizando los datos obtenidos de las ecografías realizadas previamente. La herramienta de IA aumentó significativamente la precisión de los diagnósticos.

"Si nuestros esfuerzos para utilizar el aprendizaje automático como herramienta de triaje para los estudios de ultrasonido resultan exitosos, el ultrasonido podría convertirse en una herramienta más eficaz en la detección del cáncer de mama, especialmente como una alternativa a la mamografía, y para aquellos con tejido mamario denso", dijo Moy. "Su impacto futuro en la mejora de la salud mamaria de las mujeres podría ser profundo", añadió. El resumen del estudio se presenta aquí.

Resumen:

La ecografía es una importante modalidad de imagen para la detección y caracterización del cáncer de mama. Aunque se ha demostrado sistemáticamente que detecta cánceres ocultos en la mamografía, se ha observado que la ecografía mamaria tiene altas tasas de falsos positivos.

En este trabajo se presenta un sistema de IA que logra una precisión de nivel radiológico en la identificación de cáncer de mama en imágenes de ultrasonido.

Desarrollado sobre 288.767 exámenes, consistentes en 5.442.907 imágenes en modo B y Doppler color, el IA alcanza un área bajo la curva de características operativas del receptor (AUROC) de 0,976 en un conjunto de pruebas consistente en 44.755 exámenes. En un estudio retrospectivo de lectores, la IA logra un AUROC superior a la media de diez radiólogos de mama certificados (AUROC: 0,962 IA, 0,924 ± 0,02 radiólogos). Con la ayuda de la IA, los radiólogos disminuyen sus tasas de falsos positivos en un 37,3% y reducen las biopsias solicitadas en un 27,8%, manteniendo el mismo nivel de sensibilidad. Esto pone de manifiesto el potencial de la IA para mejorar la precisión, la coherencia y la eficacia del diagnóstico ecográfico de las mamas.

Materiales y métodos - Modelo

- Se desarrolló un sistema de IA utilizando una DCNN entrenada en un clasificador de seguros múltiples globalmente consciente

- Modelo débilmente supervisado que identificó automáticamente lesiones malignas y benignas sin requerir anotaciones manuales de los radiólogos

- Se utilizó la patología como estándar de referencia

- Detalles ib preprocesamiento de datos, etiquetado, anotación y verdad de fondo

- El conjunto de datos se dividió a nivel de pacientes en bases de datos de entrenamiento (60%), validación (10%) y prueba (30%).

Conjunto de datos de ecografía mamaria de la NYU

- El sistema de IA se entrenó utilizando un conjunto de datos interno de 288.767 exámenes de ultrasonido con 5.442.907 imágenes totales adquiridas de 143.203 pacientes entre 2012-2019

- 20 centros de imágenes que realizan exámenes de ultrasonido de detección y diagnóstico

- 28.914 de estos exámenes estaban asociados con al menos un procedimiento de biopsia

- 5.593 de los cuales tuvieron biopsias con resultados malignos.

Resultados

- En un conjunto de pruebas de 44.755 exámenes, el sistema de IA alcanzó un AUC de 0,976 para identificar exámenes con malignidad

- Entre los 663 exámenes del estudio del lector, el sistema de IA tuvo un AUC de 0,962, superando la media de diez radiólogos (0,924 +/- 0,02). p<0,001

- Con la sensibilidad media de los radiólogos (90,1%), el sistema de IA tuvo una mayor especificidad (85,6% frente a 80,7%, p<0,001)

- El sistema de IA recomendó menos biopsias (19,8% frente a 24,3%) p<0,001.

Estudio del lector - Modelo híbrido

- Los modelos híbridos mejoraron el AUC del radiólogo de 0,929 a 0,960

- En los niveles de sensibilidad del radiólogo, los modelos híbridos:

- Aumentaron la especificidad media del radiólogo del 80,7% al 88,4% (p<0,001)

- Aumentaron el VPP del radiólogo del 27,1% al 39,2% (p<0,001)

- Los modelos híbridos redujeron la tasa media de biopsias del 24,3% al 17,2% (p<0,001)

- La reducción de las biopsias con los modelos híbridos representó el 29,4% de todas las biopsias recomendadas.

Conclusión

- El sistema de IA detectó y diagnosticó el cáncer en la ecografía mamaria con una precisión que supera la de los radiólogos experimentados y certificados

- El apoyo a la decisión de la IA redujo las biopsias innecesarias

- Los modelos híbridos de toma de decisiones pueden mejorar potencialmente el rendimiento de los ecógrafos de mama sin el coste añadido de un segundo lector humano

- El sistema podría aprovecharse para apoyar la toma de decisiones cuando haya escasez de radiólogos.

La conclusión del estudio ofrecía la perspectiva del investigador sobre las futuras aplicaciones clínicas y el impacto de la inteligencia artificial en el esfuerzo por mejorar la precisión de las imágenes del cáncer de mama.

En ella, los autores ofrecían lo siguiente sobre sus hallazgos

"En conclusión, examinamos el potencial de la IA en la evaluación de exámenes en Estados Unidos. Demostramos en un estudio de lectores que los modelos de aprendizaje profundo entrenados con una cantidad de datos suficientemente grande son capaces de producir diagnósticos tan precisos como los radiólogos experimentados. Además, demostramos que la colaboración entre la IA y los radiólogos puede mejorar significativamente su especificidad y obviar el 27,8% de las biopsias solicitadas. Creemos que esta investigación podría complementar futuros enfoques del diagnóstico del cáncer de mama. Además, el enfoque general empleado en nuestro trabajo, principalmente el marco de clasificación y localización débilmente supervisado, puede permitir la utilización del aprendizaje profundo en tareas similares de análisis de imágenes médicas."

SIDEBAR:

Sistema de inteligencia artificial para el triaje automatizado de los exámenes de ecografía mamaria

A continuación se presenta una instantánea clínica de un segundo estudio presentado por Linda Moy, MD, durante la sesión de RSNA 2021: "Imágenes de la mama: Ecografía mamaria avanzada"

Los autores fueron Jamie Oliver, BA, Beatrice Reig, MD, MPH, Yiming Gao, MD, Alan Lewin, MD, Linda Moy, MD, Laura Heacock, MD.

Hipótesis: Un modelo de DL entrenado para clasificar los exámenes de ecografía mamaria como libres de cáncer puede mejorar la eficiencia y la especificidad del radiólogo sin comprometer la sensibilidad.

Propósito: Entrenar un sistema de IA para clasificar los exámenes de mama con el objetivo de reasignar el tiempo de los radiólogos hacia los exámenes con alta sospecha de malignidad.

MATERIALES Y MÉTODOS - CONJUNTO DE DATOS

El sistema de IA se entrenó utilizando un conjunto de datos interno de 288.767 exámenes de ultrasonido con 5.442.907 imágenes totales adquiridas de 143.203 pacientes entre 2012-2019.

- 20 centros de imagen que realizan exámenes de ultrasonido de cribado y diagnóstico

- 28.914 de estos exámenes estaban asociados con al menos un procedimiento de biopsia

- 5.593 de los cuales tuvieron biopsias con resultados malignos

RESULTADOS

- En una prueba de 44.755 exámenes, el sistema de IA alcanzó un AUC de 0,96 en la identificación de exámenes con lesiones malignas

- Cuando el sistema de triaje evaluó 3.553 exámenes que originalmente se valoraron como B1-RADS 3, reclasificó como benignos el 60%, el 70% y el 80% de los exámenes con las puntuaciones de IA más bajas sin omitir ninguna malignidad

- El sistema de IA puede obviar la necesidad de realizar un seguimiento con imágenes

DISCUSIÓN

- Utilizando un umbral de alta sensibilidad, nuestro modelo de DL puede funcionar como un sistema independiente

- Clasificar el 60-80% de las ecografías mamarias de la lista de trabajo del radiólogo, con una tasa de falsos negativos del 0,008-0,03%

- Utilizando un umbral de sensibilidad alto, nuestro modelo DL colocó 978 (2,2%) exámenes en un flujo de trabajo de evaluación mejorado, con un alto VPP del 69,6%

RELEVANCIA CLÍNICA

- El apoyo a la decisión de la IA redujo las biopsias y los exámenes de seguimiento innecesarios

- El sistema podría aprovecharse para apoyar la toma de decisiones cuando hay escasez de radiólogos.